任明康　丰继林

摘  要： 设施农业在我国已经广泛应用于种植蔬菜和中药等单体附加值较高的作物，但WSN采集节点数据冗余和寿命普遍较短的问题制约着设施农业的长足发展。为此文章结合WSN存在的问题提出了时空数据融合模型，该模型在时间和空间序列上采用TiNA、DPS阈值管理算法和自适应加权融合算法，实现误差数据清洗和空间环境参数整合。通过时空融合算法实验，数据发送量平均减少了6.09%，同时温度数据的精度提高了2.85%，验证了该方法的可行性和有效性。

关键词： 设施农业; 数据融合; 时空融合模型; 自适应加权融合

中图分类号：TP302.1;S625.5+1          文献标识码：A     文章编号：1006-8228（2022）03-52-05

Abstract： Facility agriculture has been widely used in my country to grow vegetables and traditional Chinese medicines and other high-value-added crops， but the problem of data redundancy and generally short life span of WSN collection nodes restricts the rapid development of facility agriculture. Therefore， this paper proposes a spatiotemporal data fusion model for solving the existing problems of WSN. The model uses TiNA， DPS threshold management algorithm and adaptive weighted fusion algorithm to achieve error data cleaning and spatial parameter integration on time series and space series. The experiment of space-time fusion algorithm show that the amount of data sent is reduced by 6.09% on average， and the accuracy of temperature data is increased by 2.85%， which verifies the feasibility and effectiveness of the method.

Key words： smart agriculture; data fusion; spatiotemporal fusion model; adaptive weighted fusion

0 引言

WSN因其自组织、分布式、低成本和低功耗等优点，在设施农业环境监控领域得到了成功应用[1]，通过对作物生长的温湿度、光照强度、CO2浓度以及营养液EC等环境条件进行自动控制，保持环境条件稳定，使作物的生长发育基本不受自然条件制约[2]。

在WSN中，传感器节点分布不均匀，使得采集到的数据具有时变、不稳定的特点[3]，数据的实时性、准确性、稳定性和容错性将直接影响到整个系统的决策[4]。宋庆恒[5]等采用改进的拉伊达准则和自适应加权平均实现数据融合，在一定程度上提高了数据精度;杨永健[6]等人将SOFM神经网络应用到数据融合过程中，通过发送提取到的同类数据特征，减少了数据发送量，延长节点使用时间。

本文提出的基于时空的多传感器数据融合模型[9]，对不同时间、空间内多传感器采集到的环境数据，按照时空融合算法[12]加以分析和使用，降低了采集节点能量消耗，提高信息的准确性和全面性，获得对被测对象一致性解释和描述，完成需要的决策和评估，从而保证作物生长环境的稳定，以期提升作物质量和产量。

1 WSN结构分析

1.1 系统整体结构

WSN系统结构分为下位机和上位机，下位机硬件包括数据采集节点和设备控制节点，上位机软件主要是基于QT设计的用户交互界面。系统整体结构图如图1所示。

数据采集节点包含数据采集器、温湿度传感器、光照强度传感器、CO2浓度传感器和营养液EC传感器等。数据采集器内包含ZigBee通信模块和电源转换单元两部分。数据采集节点内的所有传感器设备都通过RS-485总线进行串口通信。

设备控制节点主要包括设备控制器、风扇、喷灌、天窗和水帘等设备，设备控制器内含有ZigBee通信模块和电源转换单元等，内部设备通过RS-485总线进行串口通信。

本文选用的ZigBee通信模块CC2530传输速率在20-250kbps之间，传输距离最远为100米，采用多跳自组织网络，满足当前温室数据传输需求。CC2530模块可以设置为终端模式ZE（ZigBee EndDevice）、路由模式ZR（ZigBee Router）和协调器模式ZC（ZigBee Coordinator），并且其自身带有基础的51单片机功能，能进行简单的数据处理。因此，将数据采集器和设备控制器内的ZigBee通信模块都设置为终端模式ZE，但数据传输方向相反，主要进行终端传感器数

据采集和设备控制。WSN中还配置了路由節点和协调器节点，路由节点包括ZigBee通信模块和电源转换单元，设置为路由模式ZR，满足采集节点和协调器节点之间的多跳数据传输需求，起到数据中转的作用;协调器节点是一个小型网关，包括ZigBee通信模块、地址设置单元和电源转换单元，设置为协调器模式ZC，它是温室个域网PAN（Personal Area Network）唯一的总控制器，主要负责设备地址分配与数据转发。本文ZigBee网络采用网状扑结构，如图2所示，采集节点与路由节点直接通信，路由节点经过多跳数据传输，将数据发送到协调器节点中，最终由协调器节点将数据传输到后台数据库中。

1.2 数据采集传输流程

数据采集器主要包括主程序、中断程序和数据包处理子程序等，数据处理流程图如图3所示。主程序在初始化后，采集传感器数据，并以5分钟为周期循环检查串口，处理接收到的数据包，当接收到串口中断或定时器中断事件时，实现指令的发送和数据流的接收。本文使用的ZigBee通信模块定义指令以18位16进制数发送，数据流也以16进制接收。

1.3 设备控制处理流程

设备控制器主要包括主程序、串口中断程序和接收数据包处理程序等。主程序在初始化之后，进入循环程序并实时检查串口，处理接收的数据包，接收的数据包程序根据数据包对应字节的数据得出数据通道号，执行相应的操作并读取该通道的设备状态，及时进行设备状态反馈。通过数据采集器和设备控制器的互相配合，将温室环境始终控制在一定的范围内，为作物的正常生长提供良好的条件。

2 时空数据融合

2.1 基于时间的数据融合结构模型

温室内温度、湿度和二氧化碳浓度等参数在时间上具有强相关性，变化缓慢，数据冗余现象十分明显，因此我们可以利用TiNA[12]（temporal coherency aware in network aggregation）算法消除多传感器数据之间的时间相关性，以降低数据传输的能耗。TiNA算法的原理是传感器新收集的参数与上次发送到汇聚节点的参数的绝对值不超过一个设定的容许阈值，采集节点就不会发送更新，当偏差大于容许阈值时，就会发送当前参数。以温室温度为例，一般情况下，昼夜温差为温室环境内最大最大温差，在本文实验条件下，使用10℃作为容许阈值，使用TiNA算法后，温度参数更稳定、平滑，TiNA算法的流程图如图4所示。

光照强度受天气情况和作物遮挡的影响，一般情况下，遮挡和没遮挡光照强度差在4000lux至7000lux之间，所以，光照强度在时间序列上变化较大，TiNA算法不再适用于对光照强度进行数据融合，因此提出基于时间序列的DPS（dual prediction scheme）预测算法，Y.-A. Le Borgne等人[13]提出了自适应模型选择（ASM），它提供了DPS的轻量级和高效实现。DPS在采集节点和汇聚节点运行一个相同的预测模型，并在给定一些先前样本的条件下，利用它来产生传感器参数的预估值，如果预测值与实际传感器测量值的差异超过给定误差阈值，才向汇聚节点发送更新。

针对上述两类参数的不同特点，提出了一种基于时间序列的WSN数据融合结构模型，如图5所示。对采集到的环境数据按时间序列进行融合，保证采集的数据在用户指定误差范围内，并且显著减少了WSN中的数据传输次数，提高数据的稳定性，延长了网络使用寿命。

2.2 基于空间的数据融合结构模型

通过基于时间的数据融合得到的环境参数剩余误差较小，采用自适应加权平均数据融合算法对温度、湿度、CO2浓度和光照强度进行空间序列上的数据融合，以获得更精准的温室环境参数。

自适应加权平均算法根据均方误差最小原则寻找采集节点中各传感器对应的权值，各传感器数据乘以权值后相加得到最终融合值，算法模型如图6所示。设采用n个温度传感器对温度进行测量，不同位置传感器数据权值ω不同，根据均方误差最小原则，自适应地寻找其对应最佳权值，使加权平均融合后的温度数据达到均方误差最小。

设n个温度传感器的方差分别为σ21，σ22，…，σ2n，所要估计的真值为[x]，各温度传感器的测量值分别为x1，x2，…，xn，因为采集节点按星型拓扑结构排布，各节点位置相对较远，可近似当作温度数据彼此独立，并且为[x]的无偏估计，各传感器的加权因子分别为ω1，ω2，…，ωn，总均方误差 σ2是关于各加权因子的多元二次函数， 因此 σ2必然存在最小值。该最小值是加权因子x1，x2，…，xn满足[P=1nωP=1]约束条件的多元函数的极值。根据多元函数求极值理论， 求出总均方误差最小对应的加权因子：

3 时空融合实验

3.1 基于时间融合算法的实验

本文在智慧温室环境下，以温度（℃）数据为例进行TiNA算法数据融合的实验，以光照强度为例进行DPS算法的实验，其中，数据并非按时间一一对应。传感器本身的误差，在数量上非常少，但通常数据变化比较剧烈，通过基于时间序列的TiNA算法和DSP算法可以消除这些较大的数据误差。在本次实验条件下，取采集节点1的82条温度和光照强度数据，在未使用TiNA算法之前，温度样本标准偏差为47.43，使用TiNA算法后，样本偏差为1.83，温度数据相对于平均温度的离散程度明显减小，如图7所示;未使用DPS算法之前，光照强度样本标准偏差为2626.56，使用DPS算法后，样本偏差为748.27，光照强度的离散程度明显减小，如图8所示。在多次实验后得出，使用基于时空融合算法后，数据量平均减少了6.09%。

3.2 基于空间融合算法的实验

通过对上述有较大误差的数据进行剔除后，进行基于空间的数据融合算法的应用，将自适应加权平均融合算法嵌入到上位机数据处理程序中，以数据库中的温度参数为处理对象，实现温度数据的空间融合。四只温度传感器节点以每5分钟为间隔进行数据采集，并选取1小时内的12个温度数据进行融合。四个温度传感器节点的平均值、方差和权值如表1所示，其中每個节点相应的权值由上式⑴得出。

根据⑴式可得温度的融合值为[x=p=14ωPxP=29.09×0.113+28.7×0.421+26.81×0.045+25.67×0.421=28.38]。根据公式⑵得到的最小均方误差为0.007，使用平均值得到的温度数据为27.57，方差为2.59，故使用自适应加权平均算法能有效提高数据测量的精确度，在本次实验条件下，温度数据精度提高了2.85%。连续在四个节点取12次温度数据，原始温度数据和采用自适应加权算法融合后的温度数据的对比折线图如图9所示。

4 結束语

本文提出了一种基于时间和空间的温室环境数据融合结构模型。时间融合既保证用户对采集数据精度要求，也大大降低了数据传输量，延长了WSN 采集节点的寿命。将空间融合算法应用于采集节点众多的温室，准确获取温室环境的各参数信息。考虑到光照强度与温室其他环境参数性质不同，具有易变性和易被遮挡的特点，本文采用不同的融合算法分别对光照强度和其他环境参数进行融合。综上所述，本文提出的温室环境时空融合结构模型能够满足温室环境数据融合的要求，在一定程度上解决了数据传输量大、采集节点寿命短等问题。

参考文献（References）：

[1] 毛罕平，晋春，陈勇.温室环境控制方法研究进展分析与展望[J].农业机械学报，2018，49（2）：1-13

[2] 翟翌立，戴逸松.多传感器数据自适应加权融合估计算法的研究[J].计量学报，1998（1）：70-76

[3] 张阳，沈明霞，孙玉文，等.基于多传感器自适应加权融合的温室信息系统[J].传感器与微系统，2014，33（6）：100-103

[4] 王振，白星振，马梦白，等.一种基于数据预处理和卡尔曼滤波的温室监测数据融合算法[J].传感技术学报，2017，30（10）：1525-1530

[5] 宋庆恒，刘英德，马源，等.基于多传感器数据融合的温室温湿度控制系统设计[J].江苏农业科学，2015，43（6）：394-396

[6] 杨永健，刘帅.基于SOFM神经网络的无线传感器网络数据融合算法[J].传感技术学报，2013，26（12）：1757-1763

[7] 余修武，刘琴，李向阳，等.基于改进蚁群的BP神经网络WSN数据融合算法[J].北京邮电大学学报，2018，41（4）：91-96

[8] 王浩，董振振，赵景波，等.基于改进自适应加权融合算法的土壤湿度监测研究[J].中国农机化学报，2019，40（1）：152-155

[9] Yager R R. The power average operator[J]. IEEE Transactions onSystems， man， and Cybernetics，ACM International Workshop on Data Engineering for Wireless and Mobile Access. San Diego： ACM，2001，31（6）：724-731

[10] Yann-Ael Le Borgne， Silvia Santini， Gianluca Bontempi.Adaptive model selection for time series prediction in wireless sensor networks[J]. SignalProcessing，2007，87（12）：3010-3020

3508501908285